Hive on Spark安装配置详解（都是坑啊）

我的主页：http://www.linbingdong.com
简书地址：http://www.jianshu.com/p/a7f75b868568

简介

本文主要记录如何安装配置Hive on Spark，在执行如下步骤以前，请先确保已经安装Hadoop集群，Hive，MySQL，JDK，Scala，具体安装步骤再也不赘述。

背景

Hive默认使用MapReduce做为执行引擎，即Hive on mr。实际上，Hive还可使用Tez和Spark做为其执行引擎，分别为Hive on Tez和Hive on Spark。因为MapReduce中间计算均须要写入磁盘，而Spark是放在内存中，因此整体来说Spark比MapReduce快不少。所以，Hive on Spark也会比Hive on mr快。为了对比Hive on Spark和Hive on mr的速度，须要在已经安装了Hadoop集群的机器上安装Spark集群（Spark集群是创建在Hadoop集群之上的，也就是须要先装Hadoop集群，再装Spark集群，由于Spark用了Hadoop的HDFS、YARN等），而后把Hive的执行引擎设置为Spark。

Spark运行模式分为三种一、Spark on YARN 二、Standalone Mode 三、Spark on Mesos。
Hive on Spark默认支持Spark on YARN模式，所以咱们选择Spark on YARN模式。Spark on YARN就是使用YARN做为Spark的资源管理器。分为Cluster和Client两种模式。

1、环境说明

本教程Hadoop相关软件所有基于CDH5.5.1，用yum安装，系统环境以下：

• 操做系统：CentOS 7.2
• Hadoop 2.6.0
• Hive1.1.0
• Spark1.5.0
• MySQL 5.6
• JDK 1.8
• Maven 3.3.3
• Scala 2.10

各节点规划以下：

192.168.117.51     Goblin01           nn1  jn1  rm1  worker  master  hive  metastore  mysql
192.168.117.52     Goblin02    zk2    nn2  jn2  rm2  worker          hive
192.168.117.53     Goblin03    zk3    dn1  jn3       worker          hive
192.168.117.54     Goblin04    zk4    dn2            worker          hive

说明：Goblin01~04是每台机器的hostname，zk表明zookeeper，nn表明hadoop的namenode，dn表明datanode，jn表明journalnode，rm表明resourcemanager，worker表明Spark的slaves，master表明Spark的master

2、编译和安装Spark（Spark on YARN）

2.1 编译Spark源码

要使用Hive on Spark，所用的Spark版本必须不包含Hive的相关jar包，hive on spark 的官网上说“Note that you must have a version of Spark which does not include the Hive jars”。在spark官网下载的编译的Spark都是有集成Hive的，所以须要本身下载源码来编译，而且编译的时候不指定Hive。

咱们这里用的Spark源码是spark-1.5.0-cdh5.5.1版本,下载地址以下：

http://archive.cloudera.com/cdh5/cdh/5/spark-1.5.0-cdh5.5.1-src.tar.gz

下载完后用 tar xzvf 命令解压，进入解压完的文件夹，准备编译。

注意：编译前请确保已经安装JDK、Maven和Scala，maven为3.3.3及以上版本，并在/etc/profile里配置环境变量。

命令行进入在源码根目录下，执行

./make-distribution.sh --name "hadoop2-without-hive" --tgz "-Pyarn,hadoop-provided,hadoop-2.6,parquet-provided"

若编译过程出现内存不足的状况，须要在运行编译命令以前先运行：

export MAVEN_OPTS="-Xmx2g -XX:MaxPermSize=512M -XX:ReservedCodeCacheSize=512m"

来设置Maven的内存。

编译过程因为要下载不少Maven依赖的jar包，须要时间较长（大概一两个小时），要保证网络情况良好，否则很容易编译失败。若出现如下结果，则编译成功：

编译成功后，会在源码根目录下多出一个文件(红色部分）：

spark-1.5.0-cdh5.5.1-bin-hadoop2-without-hive.tgz

2.2 安装Spark

• 将编译完生成的spark-1.5.0-cdh5.5.1-bin-hadoop2-without-hive.tgz拷贝到Spark的安装路径，并用 tar -xzvf 命令解压

• 配置环境变量

  $vim /etc/profile
  export SPARK_HOME=spark安装路径
  $source /etc/profile

2.3 配置Spark

配置spark-env.sh、slaves和spark-defaults.conf三个文件

• spark-env.sh

主要配置JAVA_HOME、SCALA_HOME、HADOOP_HOME、HADOOP_CONF_DIR、SPARK_MASTER_IP等

export JAVA_HOME=/usr/lib/jvm/java
export SCALA_HOME=/root/scala
export HADOOP_HOME=/usr/lib/hadoop
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop 
export YARN_CONF_DIR=$HADOOP_HOME/etc/hadoop
export SPARK_LAUNCH_WITH_SCALA=0
export SPARK_WORKER_MEMORY=1g
export SPARK_DRIVER_MEMORY=1g
export SPARK_MASTER_IP=192.168.117.51
export SPARK_LIBRARY_PATH=/root/spark-without-hive/lib
export SPARK_MASTER_WEBUI_PORT=18080
export SPARK_WORKER_DIR=/root/spark-without-hive/work
export SPARK_MASTER_PORT=7077
export SPARK_WORKER_PORT=7078
export SPARK_LOG_DIR=/root/spark-without-hive/log
export SPARK_PID_DIR='/root/spark-without-hive/run'

• slaves（将全部节点都加入，master节点同时也是worker节点）

Goblin01
Goblin02
Goblin03
Goblin04

• spark-defaults.conf

spark.master                     yarn-cluster
 spark.home                       /root/spark-without-hive
 spark.eventLog.enabled           true
 spark.eventLog.dir               hdfs://Goblin01:8020/spark-log
 spark.serializer                 org.apache.spark.serializer.KryoSerializer
 spark.executor.memory            1g
 spark.driver.memory              1g
 spark.executor.extraJavaOptions  -XX:+PrintGCDetails -Dkey=value -Dnumbers="one two three"

spark.master指定Spark运行模式，能够是yarn-client、yarn-cluster...

spark.home指定SPARK_HOME路径

spark.eventLog.enabled须要设为true

spark.eventLog.dir指定路径，放在master节点的hdfs中，端口要跟hdfs设置的端口一致（默认为8020），不然会报错

spark.executor.memory和spark.driver.memory指定executor和dirver的内存，512m或1g，既不能太大也不能过小，由于过小运行不了，太大又会影响其余服务

3、配置YARN

配置yarn-site.xml，跟hdfs-site.xml在同一个路径下（$HADOOP_HOME/etc/hadoop)

<property>
  <name>yarn.resourcemanager.scheduler.class</name>
  <value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.fair.FairScheduler</value>
</property>

4、配置Hive

• 添加spark依赖到hive(将spark-assembly-1.5.0-cdh5.5.1-hadoop2.6.0.jar拷贝到$HIVE_HOME/lib目录下）

进入SPARK_HOME

cp spark-assembly-1.5.0-cdh5.5.1-hadoop2.6.0.jar /usr/lib/hive/lib

• 配置hive-site.xml

配置的内容与spark-defaults.conf相同，只是形式不同,如下内容是追加到hive-site.xml文件中的,而且注意前两个配置，若是不设置hive的spark引擎用不了，在后面会有详细的错误说明。

<property>
  <name>hive.execution.engine</name>
  <value>spark</value>
</property>

<property>
  <name>hive.enable.spark.execution.engine</name>
  <value>true</value>
</property>

<property>
  <name>spark.home</name>
  <value>/root/spark-without-hive</value>
</property>
<property>
  <name>spark.master</name>
  <value>yarn-client</value>
</property>
<property>
  <name>spark.enentLog.enabled</name>
  <value>true</value>
</property>
<property>
  <name>spark.enentLog.dir</name>
  <value>hdfs://Goblin01:8020/spark-log</value>
</property>
<property>
  <name>spark.serializer</name>
  <value>org.apache.spark.serializer.KryoSerializer</value>
</property>
<property>
  <name>spark.executor.memeory</name>
  <value>1g</value>
</property>
<property>
  <name>spark.driver.memeory</name>
  <value>1g</value>
</property>
<property>
  <name>spark.executor.extraJavaOptions</name>
  <value>-XX:+PrintGCDetails -Dkey=value -Dnumbers="one two three"</value>
</property>

5、验证是否安装配置成功

1.验证Spark集群

注意：在启动Spark集群以前，要确保Hadoop集群和YARN均已启动

• 进入$SPARK_HOME目录，执行：

./sbin/start-all.sh

用jps命令查看51节点上的master和worker，5二、5三、54节点上的worker是否都启动了

• 一样在$SPARK_HOME目录下，提交计算Pi的任务，验证Spark集群是否能正常工做，运行以下命令

./bin/spark-submit --class org.apache.spark.examples.SparkPi --master yarn --deploy-mode client lib/spark-examples-1.5.0-cdh5.5.1-hadoop2.6.0.jar 10

若无报错，而且算出Pi的值，说明Spark集群能正常工做

2.验证Hive on Spark是否可用

• 命令行输入 hive，进入hive CLI
• set hive.execution.engine=spark; (将执行引擎设为Spark，默认是mr，退出hive CLI后，回到默认设置。若想让引擎默认为Spark，须要在hive-site.xml里设置）
• create table test(ts BIGINT,line STRING); (建立表）
• select count(*) from test;
• 若整个过程没有报错，并出现正确结果，则Hive on Spark配置成功。

6、遇到的问题

0

编译spark基于maven有两种方式

• 用mvn 命令编译

./build/mvn -Pyarn -Phadoop-2.6 -Dhadoop.version=2.6.0 -DskipTests clean package

编译到倒数MQTT模块一直报错，并且编译出的文件比较大，不适合安装集群，所以不推荐。使用Intellij IDEA maven 插件报错以下：

• 使用spark提供的预编译脚本，网络情况稳定，会编译出须要的安装版本，推荐。命令

./make-distribution.sh --name "hadoop2-without-hive" --tgz "-Pyarn,hadoop-provided,hadoop-2.6,parquet-provided"

结果如上文所述。

1

运行：

./bin/spark-submit --class org.apache.spark.examples.SparkPi  --master yarn  lib/spark-examples-1.5.0-cdh5.5.1-hadoop2.6.0.jar 10

报错：

缘由：

hdfs的默认端口为8020 ，而咱们在spark-default.conf中配置成了8021端口，致使链接不上HDFS报错

spark.eventLog.enabled           true
spark.eventLog.dir              hdfs://Goblin01:8021/spark-log

解决：

配置spark-default.conf中的spark.eventLog.dir 为本地路径，也就是不持久化日志到hdfs上，也就没有和hdfs的通行

or

spark-default.conf 注释掉 spark.eventLog.enabled   true

or

在spark-default.conf里配置的eventLog端口跟hdfs的默认端口（8020）一致

or

因为配置的hdfs是高可用的，51,52均可以做为namenode,咱们的spark集群的主节点在51上，当51上的namenode变成standby，致使没法访问hdfs的8020端口（hdfs默认端口），也就是说在51上读不出hdfs上spark-log的内容，在spark-default.conf中配置为spark.eventLog.dir hdfs://Goblin01:8021/spark-log，若是发生这种状况，直接kill掉52，让namenode只在51上运行。（这个后面要搭建spark的高可用模式解决）

2

运行：

在hive里设置引擎为spark，执行select count(*) from a; 

报错：

Failed to execute spark task, with exception 'org.apache.hadoop.hive.ql.metadata.HiveException(Unsupported execution engine: Spark. Please set hive.execution.engine=mr)'

解决：

这是由于CDH版的Hive默认运行支持Hive on Spark（By default, Hive on Spark is not enabled）.

须要用cloudera manager（cloudera官网给的的方法，可是要装cloudera manager，比较麻烦，不建议）

Go to the Hive service.
Click the Configuration tab.
Enter Enable Hive on Sparkin the Search field.
Check the box for Enable Hive on Spark (Unsupported).
Locate the Spark On YARN Service and click SPARK_ON_YARN.
Click Save Changes to commit the changes.

或者

在hive-site.xml添加配置(简单、推荐）

<property>
<name>hive.enable.spark.execution.engine</name>
<value>true</value>
</property>

3

终端输入hive没法启动hive CLI

缘由：namenode挂了

解决：重启namenode

4

运行：

./bin/spark-submit --class org.apache.spark.examples.SparkPi --master yarn --deploy-mode client lib/spark-examples-1.5.0-cdh5.5.1-hadoop2.6.0.jar 10

问题：

没有报错，可是出现如下状况，停不下来

缘由：

1. ResourceManager或者NodeManager挂掉，一直没有NodeManager响应，任务没法执行，全部停不下来。
2. 还有一种状况是spark有别的application在运行，致使本次spark任务的等待或者失败

解决：

1. 对于缘由1，重启ResourceManager和NodeManager。

service hadoop-yarn-resourcemanager start;
service hadoop-yarn-nodemanager start;

1. 对于缘由2，解决办法是在hadoop配置文件中设置yarn的并行度，在/etc/hadoop/conf/capacity-scheduler.xml文件中配置yarn.scheduler.capacity.maximum-am-resource-percent from 0.1 to 0.5

<property>
    <name>yarn.scheduler.capacity.maximum-am-resource-percent</name>
    <value>0.5</value>
    <description>
      Maximum percent of resources in the cluster which can be used to run
      application masters i.e. controls number of concurrent running
      applications.
    </description>
  </property>

7、参考资料

• https://cwiki.apache.org/confluence/display/Hive/Hive+on+Spark:+Getting+Started

• http://www.cloudera.com/documentation/enterprise/5-5-x/topics/admin_hos_config.html
• http://spark.apache.org/docs/latest/building-spark.html
• http://stackoverflow.com/questions/31743586/apache-spark-running-locally-giving-refused-connection-error

• http://stackoverflow.com/questions/30828879/application-report-for-application-state-accepted-never-ends-for-spark-submi

• http://www.voidcn.com/blog/tianyiii/article/p-5986990.html

• http://www.imooc.com/article/8613

• http://lxw1234.com/archives/2016/05/673.htm

欢迎进入博客 ：linbingdong.com 获取最新文章哦~

欢迎关注公众号: FullStackPlan 获取更多干货哦~